与传统的材料发现方法相比，AI的速度和准确度能提升多少？
AI引导的发现速度远超传统的试错法或高通量计算筛选，且通常准确性更高。名为PODGen的条件生成框架发现新型拓扑绝缘体的成功率比无约束生成高出约5倍，并识别出CsHgSb和NaLaB12等有前景的候选材料，这些材料已通过第一性原理计算得到验证[12]。在原子层沉积（ALD）领域，一种结合原位表征与数字孪生的自驱动方法，相比标准的生长-排气-表征循环，将工艺优化速度提升了100倍[11]。针对储氢材料，DIVE多智能体AI工作流的数据提取精度比商业模型提高10–15%，比开源模型提高30%以上，并在数分钟内从4000多篇文献中构建了包含3万余条条目的数据库[4]。这些具体的速度提升与精度增益表明，AI在筛选和预测阶段能够超越现有方法。
然而，这些收益并非在所有任务中均匀分布。对于机器学习原子间势（MLIPs）而言，引入海森矩阵（二阶曲率）数据虽能提升非平衡结构与反应路径的精度，但代价是计算开销增加[1]。这种权衡意味着，在某些应用场景下，传统方法可能仍更具实用性。关键在于，人工智能在拥有大规模高质量数据集、且目标是从广阔搜索空间中缩小范围时表现卓越——而这正是传统材料发现中的瓶颈所在。
AI引导发现的主要注意事项与局限性是什么？
尽管AI驱动的材料发现速度惊人且准确性高，但仍面临若干重大局限，使其无法完全取代现有技术。首先，数据质量与稀缺性是主要障碍：强化学习方法难以应对数据不足的问题，且在设计兼顾多种材料目标的奖励函数时面临挑战[8]。同样，密度泛函理论（DFT）等传统计算方法计算成本高昂，难以高效探索广阔的化学设计空间——AI虽能弥补这一不足，但前提是训练数据可靠且具有代表性[10]。其次，AI预测需要实验验证——DIVE工作流程虽明确将AI预测与实验知识相连接，但这种整合仍处于早期阶段[4]。此外，部分AI方法（如基于Hessian训练的MLIPs）对计算资源的需求高于传统方法，这可能限制其可及性[1]。
另一个局限在于，人工智能模型往往缺乏可解释性。尽管可解释性AI是未来的发展方向，但当前的模型仍如同“黑箱”，这使得人们难以信任其对全新材料类别的预测结果[10]。此外，像AURORA和AMADAP这样的自主平台虽然将机器人合成与AI相结合，但仍在开发阶段，尚未实现普遍适用[7][13]。这些研究中的证据一致表明，AI是强大的加速器，但最佳应用方式是作为传统实验与计算方法的辅助工具，而非独立替代方案。
人工智能已在哪些领域超越人类，又在哪些方面存在不足？
在特定且定义明确的任务中，人工智能已超越现有技术：筛选海量材料库、根据结构预测性能以及优化合成条件。例如，某AI搜索引擎发现了50种新型交变磁性材料——涵盖金属、半导体和绝缘体——其表现远超人类专家，并首次识别出四种i波交变磁性材料[3]。在共价有机框架（COFs）领域，相较于人工实验，机器学习结合高通量筛选显著加速了二氧化碳捕获、甲烷储存及催化领域的材料发现[2]。针对全固态电池，机器学习模型能够揭示构效关系，并以远超传统方法的速度筛选正极材料和固态电解质[6]。量子机器学习应用于包含486种纳米材料的数据集后，在平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R²）等指标上，其准确性与适应性均优于经典模型[9]。
然而，在需要物理合成、长期稳定性测试及实际验证的领域，人工智能仍显不足。自主平台AURORA虽能合成并评估钙钛矿太阳能电池，但它仍属于研究工具，无法替代工业级测试[13]。同样，针对星际飞船提出的石墨烯/六方氮化硼/聚合物复合防护层，在模拟中相比铍材料减重47%，但其实际性能取决于聚变脉冲推进技术——这至今仍是未解决的工程难题[5]。证据表明，人工智能在计算筛选与预测阶段表现最为突出，而合成、表征及部署环节仍需依赖现有成熟技术。
关于这些来源
该答案基于13篇经同行评审的研究构建而成——发表于2023年至2026年间，其中12篇来自2024年及以后，6篇发表于Q1期刊，累计被引用169次——这些研究是从15篇通过质量筛选的文献中选出的最具相关性的成果，而15篇文献又源自从超过5亿篇论文数据库中检索到的63篇论文。
本文引用的文献
黑森数据能否提升机器学习势函数的性能？
将Hessian（二阶曲率）数据纳入机器学习原子间势（MLIPs）中，能显著提升对非平衡结构与反应路径的预测精度，但同时也增加了计算成本；该研究采用小分子反应数据集，对比了基于能量、力及Hessian数据不同组合训练的模型。
机器学习加速发现用于环境和能源应用的共价有机框架
机器学习结合高通量计算筛选，显著加速了用于二氧化碳捕集、甲烷储存、气体分离及催化领域的共价有机框架（COFs）的发现，其效率远超传统人工实验和纯分子模拟方法。
AI加速发现交变磁性材料
使用预训练图神经网络的人工智能搜索引擎发现了50种新的交变磁性材料（包括金属、半导体和绝缘体），其表现远超人类专家，并首次识别出四种i波交变磁性材料。
用AI智能体“潜入”储氢材料发现领域
DIVE多智能体AI工作流将数据提取准确率提升至比商业模型高10–15%，比开源模型高30%以上，并基于4000余篇文献构建了超过30000条数据的氢存储材料数据库，实现了数分钟内的快速逆向设计。
超越铍：AI加速星际飞船屏蔽材料的发现
利用JARVIS数据库（含76,000种材料）的DFT数据及ALIGNN方法筛选20种候选材料后，h-BN和B4C被确定为双功能屏蔽材料。所提出的石墨烯/h-BN/聚合物异质结构预计可比铍减轻47%的质量，但该效果依赖于聚变脉冲推进技术。
机器学习推动了全固态电池的发展
机器学习模型能够揭示结构-活性关系，并筛选全固态电池的正极材料和固态电解质，其速度远超传统耗时且昂贵的方法。
面向新兴光伏技术的自驱动自主材料与器件加速平台（AMADAP）
材料加速平台（MAPs）与器件加速平台（DAPs）将机器人合成与人工智能相结合，用于新兴光伏领域，但目前仍处于开发阶段；AMADAP概念则旨在实现全自动化实验室。
基于强化学习的材料发现：综述
强化学习（RL）正逐渐应用于材料发现领域，但仍面临数据稀缺、计算成本高昂以及难以设计平衡多目标的奖励函数等挑战。
量子计算在纳米材料中的应用：加速材料发现
将量子机器学习（QSVM和QNN）应用于486种纳米材料数据集后，其在准确率（MAE、RMSE、R²）上优于经典模型，尤其对高熵数据表现突出，但受限于数据集规模和硬件可及性。
机器学习与人工智能加速下的材料科学计算方法
基于人工智能的计算方法（包括监督学习、无监督学习、强化学习、深度神经网络以及基于图的架构）加速了材料发现进程，但在数据质量、可迁移性、可解释性以及与实验流程的整合方面仍面临挑战。
（特邀） AI赋能原子层沉积：加速工艺开发、材料发现与规模化进程
采用原位表征与数字孪生的自驱动原子层沉积（ALD）方法，相比传统的生长-排气-表征循环，实现了工艺优化速度提升100倍；此外，基于厚度轮廓的代理模型可跨反应器预测最优剂量时间。
使用条件生成方法加速材料发现
条件生成框架PODGen发现拓扑绝缘体的成功率约为无约束生成的5倍，识别出了如CsHgSb、NaLaB12、Bi4Sb2Se3、Be3Ta2Si和Be2W等有前景的候选材料。
AURORA——一种用于材料发现的自动化机器人平台
AURORA机器人平台能够自主合成并评估用于太阳能电池的金属卤化物钙钛矿材料，其中包括一种新型介观太阳能电池阵列，具备与机器学习集成的潜力，但目前仍属于研究工具。